跳至正文
返回文库全部文档

比较量子与经典学习在去中心化金融做市策略中的应用

文章 arXiv papers · 作者: Chi-Sheng Chen et al.
阅读原文

总结

这项研究比较量子机器学习、经典机器学习、量子经典混合方法和 Transformer 模型在自动做市商及去中心化金融交易策略中的应用。研究报告了多个加密资产和十种模型变体的回测结果，包括随机森林、梯度提升、逻辑回归、若干量子分类器和混合序列模型。研究旨在评估量子方法在这一交易场景中是否有增益。

报告的平均结果显示，量子混合方法的收益较高，而经典机器学习的平均夏普比率略高。所述模型中，混合序列模型的单项收益和夏普比率最高。这些发现是回测结果，并非实盘交易表现的证据。所提供描述未说明数据时期、交易成本、模型选择、基准或不确定性估计，而这些信息对于判断结果是否稳健、报告的差异能否在样本外持续都不可或缺。

核心观点

  • 研究对十种经典、量子、混合及 Transformer 模型进行回测，用于 AMM 和去中心化金融交易。
  • 测试方法包括标准监督学习模型和量子分类器。
  • 报告的平均收益中，量子混合模型较高；经典模型的平均夏普比率略高。
  • 混合序列模型报告的单项收益和夏普比率最高。
  • 摘要未说明成本、样本构建或稳健性检验，限制了对回测结果的解读。

标签

加密资产去中心化金融机器学习回测投资组合构建
全文
# 2510.15903


# Quantum and Classical Machine Learning in Decentralized Finance: Comparative Evidence from Multi-Asset Backtesting of Automated Market Makers









This study presents a comprehensive empirical comparison between quantum machine learning (QML) and classical machine learning (CML) approaches in Automated Market Makers (AMM) and Decentralized Finance (DeFi) trading strategies through extensive backtesting on 10 models across multiple cryptocurrency assets. Our analysis encompasses classical ML models (Random Forest, Gradient Boosting, Logistic Regression), pure quantum models (VQE Classifier, QNN, QSVM), hybrid quantum-classical models (QASA Hybrid, QASA Sequence, QuantumRWKV), and transformer models. The results demonstrate that hybrid quantum models achieve superior overall performance with 11.2\% average return and 1.42 average Sharpe ratio, while classical ML models show 9.8\% average return and 1.47 average Sharpe ratio. The QASA Sequence hybrid model achieves the highest individual return of 13.99\% with the best Sharpe ratio of 1.76, demonstrating the potential of quantum-classical hybrid approaches in AMM and DeFi trading strategies.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。